← नवीनतम पेपर
🤖 machine learning

Discount Model Search for Quality Diversity Optimization in High-Dimensional Measure Spaces

यह योगदान डिस्काउंट मॉडल सर्च (DMS) को प्रस्तुत करता है, जो क्वालिटी डाइवर्सिटी के लिए एक नवीन अनुकूलन एल्गोरिदम है जो उच्च-आयामी मेजरमेंट स्पेस में ठहराव को दूर करने और इमेज-आधारित डोमेन सहित बेंचमार्क में प्रभावी अन्वेषण के साथ-साथ बेहतर प्रदर्शन सक्षम करने के लिए डिस्क्रीट हिस्टोग्राम-आधारित डिस्काउंटिंग को एक निरंतर मॉडल से बदल देता है।

मूल लेखक: Bryon Tjanaka, Henry Chen, Matthew C. Fontaine, Stefanos Nikolaidis

प्रकाशित 2026-05-04
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Bryon Tjanaka, Henry Chen, Matthew C. Fontaine, Stefanos Nikolaidis

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक आर्ट क्यूरेटर हैं जो हाइकर्स (पदयात्रियों) की तस्वीरों से एक विशाल गैलरी भरने की कोशिश कर रहे हैं। आपका लक्ष्य केवल एक बेहतरीन फोटो ढूंढना नहीं है; आप एक ऐसा पूरा संग्रह चाहते हैं जो उच्च गुणवत्ता (शानदार तस्वीरें) और विविधता (हर संभव वातावरण में हाइकर्स: बर्फीले पहाड़, धूप वाले समुद्र तट, बारिश वाले जंगल) से भरपूर हो।

यह क्वालिटी डायवर्सिटी (QD) ऑप्टिमाइज़ेशन की चुनौती है।

समस्या: "भीड़भाड़ वाला कमरा" प्रभाव (The "Overcrowded Room" Effect)

अतीत में, कंप्यूटर इसे छोटे, निश्चित बक्सों (जैसे एक ग्रिड) में विभाजित करके हल करने की कोशिश करते थे। यदि बर्फीले पहाड़ों वाले वातावरण में किसी हाइकर की फोटो एक बॉक्स में गिरती थी, तो कंप्यूटर उस बॉक्स को "भरा हुआ" चिह्नित कर देता था।

हालाँकि, जैसे-जैसे वातावरण अधिक जटिल होते जाते हैं (जैसे कि हर विशिष्ट परिदृश्य को कैप्चर करने की कोशिश करना), ये "बक्से" विशाल हो जाते हैं। अचानक, आल्प्स में एक हाइकर और रॉकी पर्वत में एक हाइकर दोनों एक ही बड़े बॉक्स में गिर जाते हैं। कंप्यूटर सोचता है, "ओह, यह बॉक्स पहले से ही भरा हुआ है," और नए, अद्वितीय हाइकर्स की तलाश करना बंद कर देता है। यह एक डेड एंड (बंद गली) में फंस जाता है, यह मानकर कि उसने सब कुछ पा लिया है, भले ही वास्तव में ऐसा न हो। इसे बायस (पक्षपात/त्रुटि) कहा जाता है।

पुराना समाधान: "डिस्काउंट लिस्ट" (The "Discount List")

सबसे अच्छा पिछला तरीका (CMA-MAE) प्रत्येक बॉक्स के लिए "डिस्काउंट" की एक सूची पेश करता था। यदि कोई बॉक्स खाली था, तो डिस्काउंट अधिक होता था (कंप्यूटर को उसे भरने के लिए प्रोत्साहित करने के लिए)। यदि कोई बॉक्स भरा हुआ था, तो डिस्काउंट कम होता था।

  • खामी: क्योंकि बक्से बहुत बड़े थे, कई अलग-अलग हाइकर्स एक ही बॉक्स में गिर जाते थे। उन सभी को एक ही "डिस्काउंट" स्कोर मिलता था। कंप्यूटर आल्प्स के हाइकर और रॉकी पर्वत के हाइकर के बीच अंतर नहीं कर सका और इसलिए नए हाइकर्स की तलाश करना बंद कर दिया।

नया समाधान: डिस्काउंट मॉडल सर्च (DMS)

लेखक एक नया तरीका प्रस्तावित करते हैं जिसे डिस्काउंट मॉडल सर्च (DMS) कहा जाता है। कठोर बक्सों और निश्चित डिस्काउंट की सूची के बजाय, DMS एक इंटेलिजेंट, स्मूथ मैप (एक न्यूरल नेटवर्क) का उपयोग करता है।

इसे इस तरह समझें:

  • पुराना तरीका: एक नक्शा जिसमें बड़े, ब्लॉक जैसे क्षेत्र हैं। यदि आप ज़ोन A में हैं, तो आपको एक फ्लैट "5 पॉइंट्स" स्कोर मिलता है। इससे कोई फर्क नहीं पड़ता कि आप ज़ोन A के उत्तरी या दक्षिणी किनारे पर हैं; आपको समान स्कोर मिलता है।
  • नया तरीका (DMS): एक स्मूथ, रोलिंग लैंडस्केप (उबड़-खाबड़ लेकिन सुचारू परिदृश्य)। भले ही दो हाइकर एक-दूसरे के बहुत करीब हों, मैप उन्हें उनके सटीक स्थान के आधार पर थोड़ा अलग स्कोर दे सकता है। यह कंप्यूटर को सूक्ष्म अंतरों का पता लगाने और उन क्षेत्रों में भी नए हाइकर्स की तलाश जारी रखने की अनुमति देता है जो भरे हुए लग रहे हों।

बड़ी छलांग: "मेट्रिक्स एज डेटासेट्स" (Metrics as Datasets)

यह कार्य एक नया तरीका पेश करता है जिससे आप कंप्यूटर को बता सकें कि "विविधता" कैसी दिखती है। सामान्य रूप से, आपको एक हाइकर की उम्र, कपड़ों या मौसम का वर्णन करने के लिए एक जटिल फॉर्मूला लिखना पड़ता है। यह कठिन और उबाऊ है।

DMS के साथ, आप बस कंप्यूटर को छवियों का एक डेटासेट दिखा सकते हैं।

  • उपमा: एक "जंगल में हाइकर" की रेसिपी लिखने के बजाय, आप बस कंप्यूटर को जंगलों का एक फोटो एल्बम थमा देते हैं। कंप्यूटर फिर ऐसे हाइकर्स बनाने की कोशिश करता है जो उन विशिष्ट तस्वीरों में फिट बैठते हों।
  • परिणाम: कंप्यूटर ने सफलतापूर्वक बर्फीले पहाड़ों के लिए मोटे जैकेट और धूप वाले समुद्र तटों के लिए हल्के कपड़े पहने हुए हाइकर्स को बनाया, क्योंकि आपने उसे उन परिदृश्यों की छवियां दिखाई थीं।

उन्होंने क्या पाया?

लेखकों ने इस नए तरीके का परीक्षण पुराने तरीकों के मुकाबले दो तरह से किया:

  1. मानक परीक्षण: गणितीय समस्याओं पर जहाँ "भीड़भाड़ वाले कमरे" का प्रभाव ज्ञात रूप से होता है, DMS ने पुराने तरीकों की तुलना में अधिक अद्वितीय समाधान और उच्च-गुणवत्ता वाले परिणाम खोजे।
  2. इमेज टेस्ट: इस नए "डेटासेट" सेटअप में, DMS विभिन्न परिदृश्यों में हाइकर्स की विविध छवियां बनाने में सक्षम था, जहाँ अन्य तरीके विफल रहे या अटक गए।

ट्रेड-ऑफ (समझौता)

एक छोटी सी कीमत चुकानी पड़ती है: DMS को थोड़ा अधिक कंप्यूटिंग पावर की आवश्यकता होती है क्योंकि इसे खोज के दौरान "स्मूथ मैप" को सीखना होता है। हालाँकि, यह कार्य दिखाता है कि यह अतिरिक्त प्रयास सार्थक है क्योंकि यह उन समाधानों को खोज निकालता है जिन्हें अन्य तरीके पूरी तरह से छोड़ देते हैं, विशेष रूप से जटिल, हाई-डायमेंशनल स्पेस में।

संक्षेप में: DMS एक कठोर, ब्लॉक-जैसे चेकलिस्ट को एक स्मूथ, इंटेलिजेंट मैप से बदल देता है, जिससे कंप्यूटर को समाधानों का एक बहुत समृद्ध और विविध संग्रह खोजने में मदद मिलती है, भले ही खोज का स्थान अविश्वसनीय रूप से जटिल क्यों न हो।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →